CN113962976A - 用于病理玻片数字图像的质量评估方法 - Google Patents

用于病理玻片数字图像的质量评估方法 Download PDF

Info

Publication number
CN113962976A
CN113962976A CN202111267162.8A CN202111267162A CN113962976A CN 113962976 A CN113962976 A CN 113962976A CN 202111267162 A CN202111267162 A CN 202111267162A CN 113962976 A CN113962976 A CN 113962976A
Authority
CN
China
Prior art keywords
target
quality
image
digital image
examples
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111267162.8A
Other languages
English (en)
Other versions
CN113962976B (zh
Inventor
刘凯
姚沁玥
汪进
王维
常亮亮
陈睿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Severson Guangzhou Medical Technology Service Co ltd
Original Assignee
Severson Guangzhou Medical Technology Service Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Severson Guangzhou Medical Technology Service Co ltd filed Critical Severson Guangzhou Medical Technology Service Co ltd
Priority to CN202111267162.8A priority Critical patent/CN113962976B/zh
Publication of CN113962976A publication Critical patent/CN113962976A/zh
Application granted granted Critical
Publication of CN113962976B publication Critical patent/CN113962976B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Image Analysis (AREA)

Abstract

本公开描述了一种用于病理玻片数字图像的质量评估方法，包括：获取病理玻片数字图像，病理玻片数字图像具有包含内容物的有效区域；从病理玻片数字图像中截取多个目标图像，获取各个目标图像内的多个第一目标区域；选取若干个第一目标区域作为第二目标区域，并分别对各个第二目标区域进行质量检测，质量检测包括基于第一目标区域的位置信息将该第二目标区域扩大，将扩大后的第二目标区域划分为多个图像块并获取各个图像块的梯度信息，且基于梯度信息获得各个扩大后的第二目标区域的质量等级，并且基于质量等级对病理玻片数字图像进行质量评估。在这种情况下，能够节省计算资源、且能够较为高效和较为全面地检测病理玻片数字图像质量。

Description

用于病理玻片数字图像的质量评估方法
本申请是申请日为2021年1月20日、申请号为202110078230X、发明名称为用于病 理玻片数字图像质量检测的系统及其方法的专利申请的分案申请。
技术领域
本公开具体涉及一种用于病理玻片数字图像的质量评估方法。
背景技术
液基细胞学是细胞病理学的一个分支，是将细胞样品搜集到液体固定液中，经过染色后，能够将细胞样品用于观察和诊断。常见的应用场景包括宫颈切片检查，其用于筛查可能会导致宫颈癌的癌前宫颈病变。
近年来计算机辅助诊断的发展减轻了病理医生的工作量，也提高了效率。然而由于扫描仪对焦与合成的影响，扫描得到后的病理玻片数字图像往往出现图像质量不佳的情况，例如整片或单个视野内未能清晰对焦到细胞等。对于这种病理玻片数字图像，会明显降低计算机诊断结果的准确性。目前检测病理玻片数字图像是否合格的方法主要基于对整张病理玻片数字图像进行分析或者对病理玻片数字图像的固定方位取点进行抽样分析。
然而，现有的对整张病理玻片数字图像进行分析往往需耗费大量的计算资源且较为低效；固定方位取点的抽样分析往往会出现错检或漏检的问题。
发明内容
本公开是有鉴于上述的状况而提出的，其目的在于提供一种能够节省计算资源、且能够较为高效和较为全面地检测病理玻片数字图像质量的用于病理玻片数字图像质量检测的系统及其方法。
为此，本公开的第一方面提供了一种用于病理玻片数字图像质量检测的系统，其特征在于，包括：获取模块、检测处理模块、质量检测模块、以及综合评估模块；其中，所述获取模块用于获取所述病理玻片数字图像，所述病理玻片数字图像具有包含内容物的有效区域；所述检测处理模块被配置为从所述病理玻片数字图像中截取多个目标图像，对所述多个目标图像进行目标检测，所述目标检测包括基于特征提取模型分别获取各个目标图像内的多个第一目标区域以及与各个第一目标区域对应的特征信息，所述特征信息至少包括该第一目标区域的位置信息、该第一目标区域内的内容物的类别和置信度；所述质量检测模块被配置为基于所述特征信息中的置信度按从大到小的顺序依次从所述多个目标图像内选取若干个第一目标区域作为第二目标区域，并分别对各个第二目标区域进行质量检测，所述质量检测包括基于所述特征信息中的位置信息和预设目标比例将该第二目标区域扩大，将扩大后的第二目标区域划分为多个图像块并获取各个图像块的梯度信息，且基于所述梯度信息来划分该图像块的质量等级，基于各个图像块的质量等级分别获得各个扩大后的第二目标区域的质量等级；所述综合评估模块被配置为基于各个扩大后的第二目标区域的质量等级对所述病理玻片数字图像进行质量评估。
在本公开中，利用获取模块获取病理玻片数字图像，利用检测处理模块从病理玻片数字图像中截取多个目标图像，对多个目标图像进行目标检测以获取第一目标区域及其特征信息，利用质量检测模块从多个目标图像内选取若干个第一目标区域作为第二目标区域，并分别对各个第二目标区域进行质量检测以获得各个第二目标区域对应的质量等级，利用综合评估模块对病理玻片数字图像整体进行质量评估。在这种情况下，能够节省计算资源、且能够较为高效和较为全面地检测病理玻片数字图像质量。
另外，在本公开的第一方面所涉及的系统中，可选地，所述获取模块获取多张不同分辨率的病理玻片数字图像，所述获取模块对多张病理玻片数字图像进行预处理以确认任一病理玻片数字图像内的有效区域。由此，能够确定病理玻片数字图像内的有效区域。
另外，在本公开的第一方面所涉及的系统中，可选地，在所述预处理中，从多张病理玻片数字图像中选取具有参考分辨率的病理玻片数字图像作为参考图像并选取具有目标分辨率的病理玻片数字图像作为目标切片图像，所述参考分辨率可以小于所述目标分辨率，基于所述参考图像获取所述参考图像的有效区域，将所述参考图像的有效区域映射至所述目标切片图像以确定所述目标切片图像的有效区域。在这种情况下，能够确认目标切片图像的有效区域，能够有效地减少的计算量。
另外，在本公开的第一方面所涉及的系统中，可选地，所述检测处理模块利用滑窗法基于所述病理玻片数字图像的有效区域将该病理玻片数字图像按照预设尺寸进行处理以从所述病理玻片数字图像中截取多个目标图像，其中，所述滑窗法的窗口将预设尺寸的二分之一作为所述窗口的滑动距离。由此，能够从病理玻片数字图像中截取多个目标图像。
另外，在本公开的第一方面所涉及的系统中，可选地，多个目标图像对应的图像区域的组合至少覆盖所述有效区域。由此，能够对病理玻片数字图像的有效区域进行检测。
另外，在本公开的第一方面所涉及的系统中，可选地，所述梯度信息包括图像块的梯度标准差，所述质量检测模块基于该梯度标准差来评估各个图像块的质量等级，所述质量等级包括3个等级，分别为空白、模糊和清晰。由此，能够较为具体地确认各个图像块的质量等级。
另外，在本公开的第一方面所涉及的系统中，可选地，若图像块的梯度标准差不小于第一预设阈值，则所述质量检测模块将该图像块的质量等级划分为清晰，若图像块的梯度标准差小于第三预设阈值，所述质量检测模块计算该图像块对应的饱和度，若图像块的饱和度小于第二预设阈值，则所述质量检测模块将该图像块的质量等级划分为空白，其中，所述第三预设阈值不大于所述第一预设阈值。由此，能够较为清晰地确认各个图像块的质量等级。
本公开的第二方面提供了一种用于病理玻片数字图像质量检测的方法，其特征在于，包括：获取所述病理玻片数字图像，所述病理玻片数字图像具有包含内容物的有效区域；从所述病理玻片数字图像中截取多个目标图像，对所述多个目标图像进行目标检测，所述目标检测包括基于特征提取模型分别获取各个目标图像内的多个第一目标区域以及与各个第一目标区域对应的特征信息，所述特征信息至少包括该第一目标区域的位置信息、该第一目标区域内的内容物的类别和置信度；基于所述特征信息中的置信度按从大到小的顺序依次从所述多个目标图像内选取若干个第一目标区域作为第二目标区域，并分别对各个第二目标区域进行质量检测，所述质量检测包括基于所述特征信息中的位置信息和预设目标比例将该第二目标区域扩大，将扩大后的第二目标区域划分为多个图像块并获取各个图像块的梯度信息，且基于所述梯度信息来划分该图像块的质量等级，基于各个图像块的质量等级分别获得各个扩大后的第二目标区域的质量等级，并且基于各个扩大后的第二目标区域的质量等级对所述病理玻片数字图像进行质量评估。
在本公开中，可以获取病理玻片数字图像，可以从病理玻片数字图像中截取多个目标图像，对多个目标图像进行目标检测以获取第一目标区域及其特征信息，可以从多个目标图像内选取若干个第一目标区域作为第二目标区域，并分别对各个第二目标区域进行质量检测以获得各个第二目标区域对应的质量等级，可以对病理玻片数字图像整体进行质量评估。在这种情况下，能够节省计算资源、且能够较为高效和较为全面地检测病理玻片数字图像质量。
本公开的第三方面提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述的方法的步骤。
本公开第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述的方法的步骤。
根据本公开，提供一种能够节省计算资源、且能够较为高效和较为全面地检测病理玻片数字图像质量的用于病理玻片数字图像质量检测的系统及其方法、计算机设备和计算机可读存储介质。
附图说明
现在将仅通过参考附图的例子进一步详细地解释本公开的实施例，其中：
图1是示出了本公开示例所涉及的用于病理玻片数字图像质量检测的系统的应用场景图。
图2是示出了本公开的实施方式所涉及的系统的结构框图。
图3是示出了本公开示例所涉及的病理玻片数字图像的示意图。
图4是示出了本公开示例所涉及的目标图像获取的示意图。
图5是示出了本公开示例所涉及的目标图像内第一目标区域的示意图。
图6是示出了本公开示例所涉及的用于病理玻片数字图像质量检测的方法的流程示意图。
具体实施方式
以下，参考附图，详细地说明本公开的优选实施方式。在下面的说明中，对于相同的部件赋予相同的符号，省略重复的说明。另外，附图只是示意性的图，部件相互之间的尺寸的比例或者部件的形状等可以与实际的不同。
需要说明的是，本公开中的术语“包括”和“具有”以及它们的任何变形，例如所包括或所具有的一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可以包括或具有没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本公开所描述的所有方法可以以任何合适的顺序执行，除非在此另有指示或者与上下文明显矛盾。
本公开公开了一种用于病理玻片数字图像40质量检测的系统10。通过本公开的系统10可以对病理玻片数字图像40进行质量检测，例如，可以检测病理玻片数字图像40的清晰程度等。由此，能够便于后续医护人员对被检者的诊断。在一些示例中，病理玻片数字图像40可以是通过扫描仪对由被检者的细胞制作而成的细胞玻片进行扫描采集得到的细胞图像(参见图1和图3)。例如，病理玻片数字图像40可以为全片切片图像(Whole SlideImag，WSI)，WSI图像一般非常大，例如WSI图像的大小可以为600Mb至10Gb，因此传统的质量检测方法一般不适用于WSI图像的处理。通过本公开所涉及的用于病理玻片数字图像40质量检测的系统10，能够节省计算资源、且能够较为高效和较为全面地检测病理玻片数字图像40的质量。
以下结合附图对本公开所涉及的系统10进行详细描述。
图1是示出了本公开的实施方式所涉及的用于病理玻片数字图像40质量检测的系统10的应用场景图。图2是示出了本公开的实施方式所涉及的系统10的结构框图。
在一些示例中，系统10可以包括获取模块110、检测处理模块120以及质量检测模块130(参见图1和图2)。其中，获取模块110可以用于获取病理玻片数字图像40。检测处理模块120和质量检测模块130可以对病理玻片数字图像40进行处理和检测等。例如，参见图1，采集设备20(例如扫描仪)可以对玻片30进行高分辨率扫描以采集得到病理玻片数字图像40。扫描完成后可以将病理玻片数字图像40上传至系统10。系统10可以通过执行计算机程序指令以实现对病理玻片数字图像40的处理和检测，例如系统10可以用于检测病理玻片数字图像40的质量等。
在一些示例中，如上所述，获取模块110可以用于获取病理玻片数字图像40(参见图2)。在一些示例中，获取模块110可以用于获取多张不同分辨率的病理玻片数字图像40。在一些示例中，获取模块110可以获取切片图像，切片图像可以包含多张不同分辨率的病理玻片数字图像40。例如，参见图1，采集设备20(例如扫描仪)可以基于不同倍数分别对整片玻片30进行高分辨率扫描以采集得到多张病理玻片数字图像40。多张病理玻片数字图像40可以按分辨率排序以形成金字塔形式的切片图像。一般而言，金字塔的最底层的病理玻片数字图像的分辨率最大的，金字塔的最顶层的病理玻片数字图像的分辨率最小，例如，最顶层的病理玻片数字图像可以对应玻片30的细胞图像的缩略图。扫描完成后可以将切片图像上传至系统10。切片图像可以由系统10的获取模块110获取。
图3是示出了本公开示例所涉及的病理玻片数字图像40的示意图。
在一些示例中，参见图3，病理玻片数字图像40可以具有包含内容物的有效区域。在一些示例中，病理玻片数字图像40还可以具有区别于有效区域的背景区域。在一些示例中，内容物可以为各类细胞(例如图3中的内容物410等)。在一些示例中，病理玻片数字图像40可以为灰度图像。在另一些示例中，病理玻片数字图像40可以为彩色图像。
在一些示例中，获取模块110可以对病理玻片数字图像40进行预处理以确认任一病理玻片数字图像40内的有效区域。由此，能够确定病理玻片数字图像40内的有效区域。在一些示例中，在预处理中，获取模块110可以获取多张不同分辨率的病理玻片数字图像40。在一些示例中，获取模块110可以从多张病理玻片数字图像40中选取具有参考分辨率的病理玻片数字图像作为参考图像并选取具有目标分辨率的病理玻片数字图像作为目标切片图像。在一些示例中，参考分辨率可以小于目标分辨率。在一些示例中，参考分辨率可以为多张病理玻片数字图像40中对应的最小分辨率。目标分辨率可以为多张病理玻片数字图像40中对应的最高分辨率。例如，在预处理中，获取模块110可以从切片图像中选取具有参考分辨率的病理玻片数字图像作为参考图像并选取具有目标分辨率的病理玻片数字图像作为目标切片图像。其中，具有参考分辨率的病理玻片数字图像可以为切片图像中包含的缩略图。具有目标分辨率的病理玻片数字图像可以为切片图像中具有最高分辨率的病理玻片数字图像。
在一些示例中，基于参考图像可以从参考图像中确认参考图像对应的有效区域。在一些示例中，可以将参考图像的有效区域映射至目标切片图像以确定目标切片图像的有效区域。在这种情况下，能够确认目标切片图像的有效区域，能够有效地减少的计算量。
在一些示例中，在获取参考图像的有效区域中，可以将参考图像转换为灰度模式的参考灰度图像，利用二值化阈值分割算法(例如大律法(OTSU))对参考灰度图像进行自适应阈值分割和颜色反转以获取参考切片图像，对参考切片图像进行膨胀和腐蚀处理以获取白色的区域，将白色的区域作为参考图像的有效区域。由此，能确定参考图像的有效区域。在一些示例中，对参考切片图像进行膨胀和腐蚀处理可以获取包含白色的区域和黑色的区域的二值分割图像。例如，可以对参考切片图像进行2次膨胀和2次腐蚀操作以获取包含白色的区域和黑色的区域的二值分割图像。在一些示例中，黑色的区域可以为参考图像的背景区域。在一些示例中，在对参考灰度图像进行自适应阈值分割前，可以对参考灰度图像进行去噪处理(例如中值模糊处理)。
在一些示例中，可以将参考图像的有效区域映射至目标切片图像以确定目标图像的有效区域。具体而言，可以获取参考图像的有效区域的外接矩形，基于参考图像相对于目标切片图像的缩小倍数获取目标切片图像的有效区域对应的外接矩形。在一些示例中，可以将目标切片图像的有效区域对应的外接矩形作为目标切片图像的有效区域。在一些示例中，可以将外接矩形增大5％至10％后作为目标切片图像的有效区域。由此，能够有效确认目标切片图像对应的有效区域。
但本公开的示例不限于此，在一些示例中，在预处理中，获取模块110可以通过其他方式获取病理玻片数字图像40的有效区域。
在一些示例中，若获取模块110获取多张不同分辨率的病理玻片数字图像40，则获取模块110可以获取具有目标分辨率的病理玻片数字图像(也即目标切片图像)对应的目标区域。在一些示例中，系统10的后续模块(例如，检测处理模块120)可以对该具有目标分辨率的病理玻片数字图像进行处理。在一些示例中，目标分辨率可以根据实际情况来确认。在一些示例中，若获取模块110仅获取单独一张病理玻片数字图像40，获取模块110可以获取该病理玻片数字图像40的目标区域。在这种情况下，获取模块110可以将该病理玻片数字图像40作为具有目标分辨率的病理玻片数字图像。
在一些示例中，如上所述，参见图2，系统10还可以包括检测处理模块120。在一些示例中，检测处理模块120可以用于对病理玻片数字图像40进行处理。例如，检测处理模块120可以接收经获取模块110处理后的病理玻片数字图像40来进行处理。在一些示例中，检测处理模块120可以经由获取模块110获知病理玻片数字图像40内的有效区域。
图4是示出了本公开示例所涉及的目标图像获取的示意图。
在一些示例中，检测处理模块120可以从病理玻片数字图像40中截取多个目标图像(参见图4，例如目标图像A和目标图像B等)。在一些示例中，多个目标图像对应的图像区域的组合可以至少覆盖该病理玻片数字图像40的有效区域。由此，能够对病理玻片数字图像40的有效区域进行检测。在一些示例中，检测处理模块120可以利用滑窗法基于病理玻片数字图像40的有效区域将该病理玻片数字图像40按照预设尺寸进行处理以从病理玻片数字图像40中截取多个目标图像。具体而言，滑窗可以按照预设尺寸从病理玻片数字图像40中截取目标图像，也即截取获得的目标图像可以为预设尺寸；可以将预设尺寸的二分之一作为窗口的滑动距离，按照滑动距离，沿着目标图像的有效区域的横向和纵向滑动窗口；可以将滑动后的窗口在病理玻片数字图像40上对应的图像作为目标图像。例如，滑窗可以按照1024*1024的预设尺寸从病理玻片数字图像40中截取目标图像，窗口分别在横向和纵向的滑动距离可以为512、512。由此，能够从病理玻片数字图像40中截取多个目标图像。
但本公开的示例不限于此，在另一些示例中，也可以不获取病理玻片数字图像40的有效区域，直接对病理玻片数字图像40从病理玻片数字图像40中截取多个目标图像。
图5是示出了本公开示例所涉及的目标图像内第一目标区域的示意图。
在一些示例中，检测处理模块120还可以用于对多个目标图像进行目标检测。在一些示例中，目标检测可以包括基于特征提取模型分别获取各个目标图像内的多个第一目标区域(参见图5，例如可以从目标图像A内获得第一目标区域a等)、以及与各个第一目标区域对应的特征信息。在一些示例中，特征提取模型可以是目标检测网络。在一些示例中，特征提取模型可以是基于EfficientDet(Scalable and Efficient Object Detection)架构的目标检测网络。在一些示例中，特征信息可以至少包括对应的第一目标区域的位置信息、该第一目标区域内的内容物的类别以及置信度等。在一些示例中，检测处理模块120可以获取多个第一目标区域对应的特征信息。检测处理模块120可以根据特征信息中的位置信息获知该第一目标区域。
在一些示例中，特征提取模型可以是训练好的。在一些示例中，特征提取模型可以被配置为用于从各个目标图像内筛选出可能包含内容物的区域(即第一目标区域)。
在一些示例中，各个目标图像内多个第一目标区域的数量(简称“第一数量”)可以由目标图像中的内容物数量确认。在一些示例中，一个目标图像可以对应多个第一目标区域。在一些示例中，第一数量可以由特征提取模型的精准度来确认。在一些示例中，目标图像中的细胞数量、杂质等情况可以影响特征提取模型筛选第一目标区域。
在一些示例中，如上所述，参见图2，系统10还可以包括质量检测模块130。在一些示例中，质量检测模块130可以从检测处理模块120中获取各个目标图像对应的多个第一目标区域以及与各个第一目标区域对应的特征信息。在一些示例中，质量检测模块130可以基于特征信息对第一目标区域进行处理。
在一些示例中，质量检测模块130可以基于各个第一目标区域对应的特征信息从多个目标图像中选取若干个第一目标区域作为第二目标区域。在一些示例中，质量检测模块130可以基于特征信息中的置信度按从大到小的顺序依次从多个目标图像(例如，所有的目标图像)中选取若干个第一目标区域分别作为第二目标区域。
在一些示例中，第二目标区域的数量可以经由各个目标图像内多个第一目标区域的数量以及预设数量来确认。在一些示例中，第二目标区域的数量可以不小于预设数量。由此，能够较为全面地检测病理玻片数字图像40的质量。在一些示例中，若多个第一目标区域的数量不小于预设数量，则质量检测模块130可以从多个目标图像中选取预设数量的第一目标区域分别作为第二目标区域。在一些示例中，若多个第一目标区域的数量小于预设数量，则质量检测模块130可以从多个目标图像中选取第一数量的第一目标区域分别作为第二目标区域。在一些示例中，预设数量可以有相关技术人员自行确定。在一些示例中，预设数量可以为0～200。例如，预设数量可以为50、75、100、125、150、175或200等。
在一些示例中，质量检测模块130可以对各个第二目标区域进行质量检测。在这种情况下，质量检测模块130能够获得各个第二目标区域对应的质量等级。例如，质量检测模块130可以获得各个扩大后的第二目标区域的质量等级(稍后具体描述)。
在一些示例中，质量检测模块130还可以基于特征信息中的位置信息和预设目标比例分别对各个第二目标区域进行扩大。由此，能够便于质量检测模块130对扩大后的第二目标区域进行处理。具体地，质量检测模块130可以基于各个第二目标区域的位置信息使该第二目标区域按照预设目标比例进行扩大。也即，各个第二目标区域的区域大小可以分别扩大各自区域的预设目标比例以获得扩大后的第二目标区域。在一些示例中，预设目标比例可以为0～50％。例如，预设目标比例可以为10％、12％、14％、16％、18％、20％、22％、24％、26％、28％、30％、40％或50％等。例如，某一第二目标区域的位置信息可以为(Xmin,Ymin,Xmax,Ymax)；质量检测模块130可以将该第二目标区域扩大20％，可以获得扩大后的第二目标区域的位置信息(Xmin’,Ymin’,Xmax’,Ymax’)。例如，扩大后的第二目标区域的位置信息(Xmin’,Ymin’,Xmax’,Ymax’)可以满足：Xmin’＝Xmin-20％*(Xmax-Xmin)；Ymin’＝Ymin；Xmax’＝Xmax；Ymax’＝Ymax；
在一些示例中，质量检测模块130可以将各个扩大后的第二目标区域分别划分为多个图像块。例如，质量检测模块130可以将各个扩大后的第二目标区域分别划分为多个40*40的图像块。但本公开的示例不限于此，在一些示例中，质量检测模块130可以将第二目标区域分别划分为多个图像块。在这种情况下，质量检测模块130可以对由未扩大的第二目标区域获得的多个图像块进行后续处理。具体可以参照后续质量检测模块130对由扩大后的第二目标区域获得的多个图像块处理的相关描述。
在一些示例中，质量检测模块130还可以获取各个图像块的相关信息以对各个图像块进行质量评估。
一般而言，对焦清晰的图像与对焦不清晰的图像相比，对焦清晰的图像可以具有更加丰富的梯度信息，即其对应的梯度标准差可以更高。而梯度信息较少(即梯度标准差较小)的图像块可能是因为对焦不清晰或因该图像块为空白区域导致的。在本公开所涉及的实施方式中，可以获得该图像块的饱和度，若饱和度接近于0，则该图像块可以为空白区域。
在一些示例中，质量检测模块130可以获取各个图像块对应的梯度信息，质量检测模块130可以基于各个图像块的梯度信息(例如梯度标准差)来评估各个图像块的清晰度(即各个图像块的质量等级)。
在一些示例中，质量等级可以分为3个等级，分别为空白、模糊和清晰。由此，能够较为具体地确认各个图像块的质量等级。例如，若质量等级为清晰，则说明该部分图像是清晰的。若质量等级为模糊，则说明该部分图像可能因对焦不清楚等因素是模糊的。若质量等级为空白，则说明该部分图像为空白区域。但本公开的示例不限于此，在一些示例中，相关技术人员可以对质量等级进行更加详细地划分。
在一些示例中，质量检测模块130可以获取各个图像块对应的梯度信息。在一些示例中，梯度信息可以包含梯度标准差。在这种情况下，质量检测模块130可以根据梯度标准差来评估图像块的质量等级。在一些示例中，质量检测模块130可以根据梯度标准差与预设阈值划分各个图像块的质量等级。在一些示例中，质量检测模块130可以根据梯度标准差与预设的第一预设阈值来评估该图像块的质量等级是否为清晰。例如，若梯度标准差不小于第一预设阈值，则该图像块的质量等级为清晰。若梯度标准差小于第一预设阈值，则该图像块的质量等级为模糊或空白。
在一些示例中，质量检测模块130还可以根据图像块的饱和度来划分该图像块的质量等级。在一些示例中，质量检测模块130还可以获得各个图像块对应的饱和度。质量检测模块130可以将饱和度小于第二预设阈值的图像块视为空白区域。也即若饱和度小于第二预设阈值，则质量检测模块130可以评估该图像块的质量等级为空白。也即，若饱和度小于第二预设阈值，则质量检测模块130可以将该图像块的质量等级划分为空白。
在另一些示例中，质量检测模块130可以根据图像块的梯度信息和饱和度来划分图像块的质量等级。在一些示例中，质量检测模块130可以获取各个图像块对应的梯度信息(例如梯度标准差)。质量检测模块130可以获取梯度标准差小于第三预设阈值的图像块对应的饱和度。在一些示例中，质量检测模块130可以基于饱和度与第二预设阈值来评估该图像块的质量等级是否为空白。在一些示例中，除质量等级为空白的图像块，其他梯度标准差不大于第三预设阈值的图像块的质量等级可以为模糊。在一些示例中，第三预设阈值可以不大于第一预设阈值。例如，第三预设阈值可以与第一预设阈值相等。在一些示例中，梯度标准差位于第三预设阈值与第一预设阈值之间的图像块，该图像块的质量等级可以为模糊。由此，能够较为清晰地确认各个图像块的质量等级。
在一些示例中，第一预设阈值、第二预设阈值和第三预设阈值可以由相关技术人员自行设定。在一些示例中，第一预设阈值可以选自40～60。例如，第一预设阈值可以为40、45、50、55或60等。在一些示例中，第二预设阈值可以选自5～15。例如，第二预设阈值可以为10。在这种情况下，若图像块的饱和度小于10，则该图像块的质量等级可以为空白。在一些示例中，第三预设阈值可以选自10～60。
在一些示例中，如上所述，质量检测模块130可以分别获得各个扩大后的第二目标区域。质量检测模块130还可以获得各个扩大后的第二目标区域分别对应的多个图像块，质量检测模块130还可以获得各个图像块的质量等级。也即，质量检测模块130可以分别获得各个扩大后的第二目标区域各自包含的多个图像块的质量等级。
在一些示例中，质量检测模块130可以基于各个扩大后的第二目标区域内多个图像块的质量等级来获得该扩大后的第二目标区域的质量等级。在一些示例中，质量检测模块130可以基于该扩大后的第二目标区域内各个质量等级的图像块数量所占的比例来评估该扩大后的第二目标区域的质量等级。
在一些示例中，质量检测模块130可以获得任一扩大后的第二目标区域内各个图像块的质量等级，质量检测模块130可以统计该扩大后的第二目标区域内质量等级为空白的图像块的数量占其图像块总数量的第一百分比。
在一些示例中，质量检测模块130可以将该扩大后的第二目标区域内质量等级为空白的图像块筛除。除质量等级为空白的图像块外的其他图像块的数量可以为目标数量。质量检测模块130可以统计质量等级为模糊的图像块数量占目标数量的第二百分比。
在一些示例中，质量检测模块130可以基于第一百分比和预先设定的第一预设比例来获取该扩大后的第二目标区域的质量等级是否为空白。
在一些示例中，质量检测模块130可以基于第二百分比和预先设定的第二预设比例来获取该扩大后的第二目标区域的质量等级是否为模糊。
在一些示例中，若质量检测模块130评估该扩大后的第二目标区域的质量等级不为空白和模糊，则该扩大后的第二目标区域的质量等级为清晰。
例如，质量检测模块130可以先获取第一百分比，并将第一百分比与第一预设比例进行比较，若第一百分比大于第一预设比例，则说明该扩大后的第二图像区域的质量等级为空白；反之，则该扩大后的第二图像区域的质量等级不为空白。若该第二图像区域不为空白，质量检测模块130可以将该扩大后的第二图像区域内质量等级为空白的图像块筛除以获取第二百分比。若第二百分比大于第二预设比例，则该扩大后的第二图像区域的质量等级为模糊；反之，则该扩大后的第二图像区域的质量等级为清晰。
在一些示例中，第一预设比例和第二预设比例可以由相关技术人员自行设定。在一些示例中，第一预设比例可以为40～60％。在一些示例中，第二预设比例可以为20～50％。例如，第一预设比例可以为45％、50％或55％等。第二预设比例可以为25％、30％、35％、40％、45％或50％等。
在一些示例中，如上所述，质量检测模块130可以获取各个扩大后的第二目标区域对应的质量等级。
在一些示例中，参见图2，系统10还可以包括综合评估模块140。在一些示例中，综合评估模块140可以用于对病理玻片数字图像40进行质量评估。在一些示例中，综合评估模块140可以仅由质量检测模块130获知病理玻片数字图像40内各个扩大后的第二目标区域对应的质量等级。在一些示例中，综合评估模块140可以基于各个扩大后的第二目标区域的质量等级对该病理玻片数字图像40进行质量评估。由此，能够较为高效和较为全面地检测病理玻片数字图像40的质量。
在一些示例中，综合评估模块140可以统计该病理玻片数字图像40内质量等级为清晰的扩大后的第二目标区域的数量。在一些示例中，综合评估模块140可以统计病理玻片数字图像40内质量等级为清晰的扩大后的第二目标区域的数量占其第二目标区域总数量的第三百分比。在一些示例中，综合评估模块140可以基于第三百分比和预先设定的第三预设比例来对病理玻片数字图像40进行质量评估。在一些示例中，综合评估模块140可以获知病理玻片数字图像40内各个扩大后的第二目标区域的质量等级，并可以统计获得第三百分比。综合评估模块140可以基于第三百分比和第三预设比例进行比较来对对病理玻片数字图像40进行质量评估。若第三百分比不小于第三预设比例，则说明该病理玻片数字图像40是合格的，即该病理玻片数字图像40是清晰的。在这种情况下，医护人员可以利用该病理玻片数字图像40对被检者进行诊断。若第三百分比小于第三预设比例，则说明该病理玻片数字图像40是不合格的。在这种情况下，需重新获取合格的病理玻片数字图像40。由此，能够对病理玻片数字图像40进行质量评估。
在本公开所涉及的实施方式中，系统10可以直接嵌入到现有的辅助诊断系统中。其中，现有的辅助诊断系统可以对细胞切片系统进行目标检测。具体而言，现有的辅助诊断系统可以对病理玻片数字图像进行目标检测，质量检测模块130和综合评估模块140可以嵌入到辅助诊断系统中，在辅助诊断系统对病理玻片数字图像进行目标检测后，可以通过嵌入的质量检测模块130和综合评估模块140对该病理玻片数字图像进行质量评估。在这种情况下，辅助诊断系统能够对病理玻片数字图像进行质量评估。由此，能够有效地减少将计算资源浪费在不合格图像上的可能性。
以下，结合附图详细描述本公开所涉及的用于病理玻片数字图像质量检测的方法。图6是示出了本公开示例所涉及的用于病理玻片数字图像质量检测的方法的流程示意图。
在本实施方式中，参见图6，用于病理玻片数字图像质量检测的方法可以包括以下步骤：获取病理玻片数字图像40(步骤S10)；从病理玻片数字图像40中截取多个目标图像，对多个目标图像进行目标检测(步骤S20)；基于经目标检测获得的特征信息从多个目标图像中选取若干个第一目标区域作为第二目标区域，并分别对各个第二目标进行质量检测(步骤S30)；基于经由质量检测获得的各个扩大后的第二目标区域的质量等级对病理玻片数字图像40进行质量评估(步骤S40)。根据本公开所涉及的用于病理玻片数字图像质量检测的方法，能够节省计算资源、且能够较为高效和较为全面地检测病理玻片数字图像质量。
在本实施方式中，方法中的病理玻片数字图像40、目标图像、目标检测、特征信息、第一目标区域、第二目标区域、质量检测、质量等级和质量评估的获取或处理可以参见上述对病理玻片数字图像、目标图像、目标检测、特征信息、第一目标区域、第二目标区域、质量检测、质量等级和质量评估的相关描述。
在步骤S10中，如上所述，可以获取病理玻片数字图像40。
在一些示例中，病理玻片数字图像40可以是通过扫描仪对由被检者的细胞制作而成的细胞玻片进行扫描采集得到的细胞图像。在一些示例中，病理玻片数字图像40可以具有包含内容物的有效区域。其中，有效区域的获取和处理可以参见上述对有效区域的相关描述。在一些示例中，内容物可以为各类细胞。
在一些示例中，在步骤S10中，可以获取多张不同分辨率的病理玻片数字图像，例如切片图像等。其中，切片图像的获取和处理可以参见上述对切片图像的相关描述。在一些示例中，可以利用系统10中获取模块110来实现步骤S10。
在步骤S20中，如上所述，可以从病理玻片数字图像40中截取多个目标图像，可以对多个目标图像进行目标检测。
在一些示例中，可以从病理玻片数字图像40中截取多个目标图像。其中，多个目标图像对应的目标区域的组合可以至少覆盖该病理玻片数字图像40的有效区域。在一些示例中，目标检测可以包括基于特征提取模型分别获取各个目标图像内的多个第一目标区域以及与各个第一目标区域对应的特征信息。在一些示例中，特征信息可以至少包括对应的第一目标区域的位置信息、该第一目标区域内的内容物的类别以及置信度等。在一些示例中，特征提取模型可以是训练好的。在一些示例中，特征提取模型可以被配置为用于从各个目标图像内筛选出可能包含内容物的区域(即第一目标区域)。在本实施方式中，方法中的特征提取模型的获取和处理可以参见上述对特征提取模型的相关描述。在一些示例中，可以利用系统10中检测处理模块120来实现步骤S20。
在步骤S30中，如上所述，可以基于经目标检测获得的特征信息从多个目标图像中选取若干个第一目标区域作为第二目标区域，并可以分别对各个第二目标进行质量检测。
在一些示例中，可以基于步骤S20获得的各个第一目标区域对应的特征信息从多个目标图像中选取若干个第一目标区域作为第二目标区域。在一些示例中，可以基于步骤S20获得的特征信息中的置信度按从大到小的顺序依次从多个目标图像(例如，所有的目标图像)中选取若干个第一目标区域分别作为第二目标区域。
在一些示例中，第二目标区域的数量可以经由各个目标图像内多个第一目标区域的数量以及预设数量来确认。在一些示例中，第二目标区域的数量可以不小于预设数量。
在一些示例中，可以基于对各个第二目标区域进行质量检测。由此，能够获得各个第二目标区域对应的质量等级。在一些示例中，质量等级可以包括3个等级，分别为空白、模糊和清晰。在一些示例中，可以利用系统10中质量检测模块130来实现步骤S30。
在步骤S40中，如上所述，可以基于经由步骤S30的质量检测获得的各个扩大后的第二目标区域的质量等级对病理玻片数字图像40进行质量评估。
在一些示例中，可以获得步骤S30中处理得到的各个扩大后的第二目标区域的质量等级。在一些示例中，可以基于各个扩大后的第二目标区域的质量等级对病理玻片数字图像40进行质量评估。由此，能够较为高效和较为全面地检测病理玻片数字图像40的质量。在一些示例中，可以利用系统10中综合评估模块140来实现步骤S40。
在一些示例中，本公开还提供一种计算机设备，可以包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述方法的步骤S10～S40。在一些示例中，本公开还提供一种计算机可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤S10～S40。
虽然以上结合附图和示例对本公开进行了具体说明，但是可以理解，上述说明不以任何形式限制本公开。本领域技术人员在不偏离本公开的实质精神和范围的情况下可以根据需要对本公开进行变形和变化，这些变形和变化均落入本公开的范围内。

Claims (10)

1.一种用于病理玻片数字图像的质量评估方法，其特征在于，包括：获取所述病理玻片数字图像，所述病理玻片数字图像具有包含内容物的有效区域；从所述病理玻片数字图像中截取多个目标图像，对所述多个目标图像进行目标检测，所述目标检测包括基于特征提取模型分别获取各个目标图像内的多个第一目标区域；选取若干个第一目标区域作为第二目标区域，并分别对各个第二目标区域进行质量检测，所述质量检测包括基于第一目标区域的位置信息将该第二目标区域扩大，将扩大后的第二目标区域划分为多个图像块并获取各个图像块的梯度信息，且基于所述梯度信息获得各个扩大后的第二目标区域的质量等级，并且基于各个扩大后的第二目标区域的质量等级对所述病理玻片数字图像进行质量评估。
2.如权利要求1所述的质量评估方法，其特征在于，
所述目标检测包括基于特征提取模型分别获取与各个第一目标区域对应的特征信息，所述特征信息至少包括该第一目标区域的位置信息、该第一目标区域内的内容物的类别和置信度。
3.如权利要求2所述的质量评估方法，其特征在于，
基于所述特征信息中的置信度按从大到小的顺序依次从所述多个目标图像内选取若干个第一目标区域作为第二目标区域。
4.如权利要求1所述的质量评估方法，其特征在于，
多个目标图像对应的图像区域的组合至少覆盖所述有效区域。
5.如权利要求1所述的质量评估方法，其特征在于，
多个目标图像对应的图像区域的组合至少覆盖所述有效区域。
6.如权利要求1所述的质量评估方法，其特征在于，
所述梯度信息包括图像块的梯度标准差，基于该梯度标准差来评估各个图像块的质量等级，所述质量等级包括3个等级，分别为空白、模糊和清晰。
7.如权利要求6所述的质量评估方法，其特征在于，
若图像块的梯度标准差不小于第一预设阈值，则将该图像块的质量等级划分为清晰，若图像块的梯度标准差小于第三预设阈值，计算该图像块对应的饱和度，若图像块的饱和度小于第二预设阈值，则将该图像块的质量等级划分为空白，所述第三预设阈值不大于所述第一预设阈值。
8.如权利要求6所述的质量评估方法，其特征在于，
获得任一扩大后的第二目标区域内各个图像块的质量等级，统计该扩大后的第二目标区域内质量等级为空白的图像块的数量占其图像块总数量的第一百分比，基于所述第一百分比和第一预设比例来获取该扩大后的第二目标区域的质量等级是否为空白。
9.如权利要求8所述的质量评估方法，其特征在于，
将该扩大后的第二目标区域内质量等级为空白的图像块筛除，除质量等级为空白的图像块外的其他图像块的数量作为目标数量，统计质量等级为模糊的图像块数量占目标数量的第二百分比，基于所述第二百分比和第二预设比例来获取该扩大后的第二目标区域的质量等级是否为模糊。
10.如权利要求8或9所述的质量评估方法，其特征在于，
若扩大后的第二目标区域的质量等级不为空白和模糊，则该扩大后的第二目标区域的质量等级为清晰。
CN202111267162.8A 2021-01-20 2021-01-20 用于病理玻片数字图像的质量评估方法 Active CN113962976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111267162.8A CN113962976B (zh) 2021-01-20 2021-01-20 用于病理玻片数字图像的质量评估方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110078230.XA CN112750121B (zh) 2021-01-20 2021-01-20 用于病理玻片数字图像质量检测的系统及其方法
CN202111267162.8A CN113962976B (zh) 2021-01-20 2021-01-20 用于病理玻片数字图像的质量评估方法

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202110078230.XA Division CN112750121B (zh) 2021-01-20 2021-01-20 用于病理玻片数字图像质量检测的系统及其方法

Publications (2)

Publication Number Publication Date
CN113962976A true CN113962976A (zh) 2022-01-21
CN113962976B CN113962976B (zh) 2022-09-16

Family

ID=75652715

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202111267162.8A Active CN113962976B (zh) 2021-01-20 2021-01-20 用于病理玻片数字图像的质量评估方法
CN202111264905.6A Active CN113962975B (zh) 2021-01-20 2021-01-20 基于梯度信息对病理玻片数字图像进行质量评估的系统
CN202110078230.XA Active CN112750121B (zh) 2021-01-20 2021-01-20 用于病理玻片数字图像质量检测的系统及其方法

Family Applications After (2)

Application Number Title Priority Date Filing Date
CN202111264905.6A Active CN113962975B (zh) 2021-01-20 2021-01-20 基于梯度信息对病理玻片数字图像进行质量评估的系统
CN202110078230.XA Active CN112750121B (zh) 2021-01-20 2021-01-20 用于病理玻片数字图像质量检测的系统及其方法

Country Status (1)

Country Link
CN (3) CN113962976B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113658209B (zh) * 2021-08-12 2023-06-16 山东省计算中心（国家超级计算济南中心） 一种基于形态学的切片组织裱贴位置优良判别方法
CN114187277B (zh) * 2021-12-14 2023-09-15 赛维森(广州)医疗科技服务有限公司 基于深度学习的甲状腺细胞学多种类型细胞的检测方法
CN114092479B (zh) * 2022-01-21 2022-05-03 武汉大学 一种医学图像评估方法及装置
CN114219803B (zh) * 2022-02-21 2022-07-15 浙江大学 一种三阶段图像质量评估的检测方法与系统
CN114842000A (zh) * 2022-07-01 2022-08-02 杭州同花顺数据开发有限公司 一种内窥镜图像质量评估方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018209057A1 (en) * 2017-05-11 2018-11-15 The Research Foundation For The State University Of New York System and method associated with predicting segmentation quality of objects in analysis of copious image data
CN110110799A (zh) * 2019-05-13 2019-08-09 广州锟元方青医疗科技有限公司 细胞分类方法、装置、计算机设备和存储介质
CN110376198A (zh) * 2019-08-29 2019-10-25 广州锟元方青医疗科技有限公司 一种宫颈液基细胞切片质量检测系统
CN111340807A (zh) * 2020-05-15 2020-06-26 中南大学 病灶定位核心数据提取方法、系统、电子设备及存储介质
CN111899246A (zh) * 2020-07-30 2020-11-06 平安科技（深圳）有限公司 玻片数字化信息质量检测方法、装置、设备及介质
CN111986157A (zh) * 2020-07-21 2020-11-24 万达信息股份有限公司 一种数字病理图像质量评价系统
CN112150446A (zh) * 2020-09-27 2020-12-29 郑州中普医疗器械有限公司 显微镜镜检阅片扫描方法、计算机设备和系统

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6751364B2 (en) * 2001-10-15 2004-06-15 Tyson Fresh Meats, Inc. Image analysis systems for grading of meat, predicting quality of meat and/or predicting meat yield of an animal carcass
EP2093697B1 (en) * 2008-02-25 2017-08-23 Telefonaktiebolaget LM Ericsson (publ) Method and arrangement for retrieving information comprised in a barcode
JP5387146B2 (ja) * 2009-06-03 2014-01-15 日本電気株式会社 病理組織画像解析装置、病理組織画像解析方法、病理組織画像解析プログラム
US8396269B2 (en) * 2010-04-08 2013-03-12 Digital Pathco LLC Image quality assessment including comparison of overlapped margins
CN103175834B (zh) * 2013-01-28 2016-05-18 宁波江丰生物信息技术有限公司 一种数字病理切片质量检测方法和系统
US10083340B2 (en) * 2016-01-26 2018-09-25 Ge Healthcare Bio-Sciences Corp. Automated cell segmentation quality control
CN106600538A (zh) * 2016-12-15 2017-04-26 武汉工程大学 一种基于区域深度卷积神经网络的人脸超分辨率算法
US10713785B2 (en) * 2017-02-13 2020-07-14 Siemens Healthcare Gmbh Image quality assessment system and method
CN107507173B (zh) * 2017-08-15 2021-07-27 上海交通大学 一种全切片图像的无参考清晰度评估方法及系统
CN107945156A (zh) * 2017-11-14 2018-04-20 宁波江丰生物信息技术有限公司 一种自动评价数字病理扫描图像画质的方法
CN111368837B (zh) * 2018-12-25 2023-12-05 中移（杭州）信息技术有限公司 一种图像质量评价方法、装置、电子设备及存储介质
CN109697719B (zh) * 2019-03-05 2021-12-24 北京康夫子健康技术有限公司 一种图像质量评估方法、装置及计算机可读存储介质
CN110738160A (zh) * 2019-10-12 2020-01-31 成都考拉悠然科技有限公司 一种结合人脸检测的人脸质量评估方法
CN110853006B (zh) * 2019-11-05 2020-06-23 华南理工大学 一种使用扫描仪获取的数字病理图像质量评价的方法
CN110738658B (zh) * 2019-12-21 2020-09-15 杭州迪英加科技有限公司 图像质量评价方法
CN111179242B (zh) * 2019-12-25 2023-06-02 Tcl华星光电技术有限公司 图像处理方法及其装置
CN111462076B (zh) * 2020-03-31 2023-05-16 湖南国科智瞳科技有限公司 一种全切片数字病理图像模糊区域检测方法及系统
CN111337495A (zh) * 2020-04-09 2020-06-26 江苏迪赛特医疗科技有限公司 病理切片图像全程质控装置及病理切片分析装置
CN111768405B (zh) * 2020-08-05 2024-02-13 赛维森(广州)医疗科技服务有限公司 处理标注图像的方法、装置、设备和存储介质
CN112102247B (zh) * 2020-08-18 2024-05-14 广州金域医学检验中心有限公司 基于机器学习的病理切片质量评价方法及相关设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018209057A1 (en) * 2017-05-11 2018-11-15 The Research Foundation For The State University Of New York System and method associated with predicting segmentation quality of objects in analysis of copious image data
CN110110799A (zh) * 2019-05-13 2019-08-09 广州锟元方青医疗科技有限公司 细胞分类方法、装置、计算机设备和存储介质
CN110376198A (zh) * 2019-08-29 2019-10-25 广州锟元方青医疗科技有限公司 一种宫颈液基细胞切片质量检测系统
CN111340807A (zh) * 2020-05-15 2020-06-26 中南大学 病灶定位核心数据提取方法、系统、电子设备及存储介质
CN111986157A (zh) * 2020-07-21 2020-11-24 万达信息股份有限公司 一种数字病理图像质量评价系统
CN111899246A (zh) * 2020-07-30 2020-11-06 平安科技（深圳）有限公司 玻片数字化信息质量检测方法、装置、设备及介质
CN112150446A (zh) * 2020-09-27 2020-12-29 郑州中普医疗器械有限公司 显微镜镜检阅片扫描方法、计算机设备和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NEOFYTOS DIMITRIOU等: "Deep Learning for Whole Slide Image Analysis: An Overview", 《FRONTIERS IN MEDICINE》 *
翟永平: "基于显微图像的结核杆菌自动检测关键技术研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *

Also Published As

Publication number Publication date
CN113962975A (zh) 2022-01-21
CN113962976B (zh) 2022-09-16
CN112750121A (zh) 2021-05-04
CN112750121B (zh) 2021-11-26
CN113962975B (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN113962975B (zh) 基于梯度信息对病理玻片数字图像进行质量评估的系统
WO2021139258A1 (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN110376198B (zh) 一种宫颈液基细胞切片质量检测系统
US9489562B2 (en) Image processing method and apparatus
US5796861A (en) Mosaic construction, processing, and review of very large electronic micrograph composites
CN111753692B (zh) 目标对象提取方法、产品检测方法、装置、计算机和介质
CN110378313B (zh) 细胞团识别方法、装置及电子设备
CN114187277B (zh) 基于深度学习的甲状腺细胞学多种类型细胞的检测方法
CN111462076A (zh) 一种全切片数字病理图像模糊区域检测方法及系统
CN112464802B (zh) 一种玻片样本信息的自动识别方法、装置和计算机设备
CN111899246A (zh) 玻片数字化信息质量检测方法、装置、设备及介质
CN115170518A (zh) 基于深度学习和机器视觉的细胞检测方法及系统
CN114240978B (zh) 基于自适应形态学的细胞边缘分割方法和装置
CN108830857A (zh) 一种自适应的汉字碑帖图像二值化分割算法
US20220318979A1 (en) Image Quality Analysis for Artifact Detection in Pathology Slide Images
JP4864709B2 (ja) 分散プロット分布を用いてスライドの染色品質を決定するシステム
CN118115496B (zh) 晶圆缺陷检测方法及装置
CN110837809A (zh) 血液自动分析方法、系统、血细胞分析仪及存储介质
CN112330613A (zh) 一种细胞病理数字图像质量的评价方法及系统
CN114399764A (zh) 一种病理切片的扫描方法及系统
CN110246139B (zh) 基于双阈值的浮游生物原位图像roi快速提取方法
CN117522862A (zh) 一种基于ct影像肺炎识别的图像处理方法及处理系统
JP4897488B2 (ja) 分散プロット分布を用いてスライドを分類するシステム
CN117218672A (zh) 一种基于深度学习的病案文字识别方法及系统
CN109859218B (zh) 病理图关键区域确定方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant